Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması
Yıl: 2018 Cilt: 24 Sayı: 5 Sayfa Aralığı: 817 - 823 Metin Dili: Türkçe DOI: 10.5505/pajes.2018.93824 İndeks Tarihi: 12-09-2019
Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması
Öz: Beyin bilgisayar arayüzleri (BBA) sadece beyinde üretilen işaretlerikullanarak çeşitli elektronik cihazları kullanmayı olanaklı hale getirensistemlerdir. Bu sistemlerin yüksek başarımlı olabilmesi için buişaretlerden çıkarılan öznitelik yöntemleri ve bu işaretlere uygulanansınıflandırıcı yöntemleri önemlidir. Bu çalışma ile motor hayaline dairkaydedilen EEG tabanlı BBA işaretlerinden yüksek sınıflandırmadoğruluğu elde edebilmek için işaretlerin etkin zaman dilimlerindençıkarılmış özniteliklerle sınıflandırma doğruluğunun artırılmasınayönelik bir yöntem önerilmiştir. Öznitelikler, etkin zaman dilimleribelirlenen EEG işaretlerine Hilbert Dönüşümü’nün uygulanması veişaretin türevlerinin ortalamasının alınmasıyla elde edilmiştir. BCICompetition 2003 yarışmasında kullanıma sunulmuş 2-sınıflı motorhareketi hayaline dayalı Data Set Ia isimli veri kümesinden çıkarılanöznitelikler destek vektör makineleri, k-en yakın komşuluk ve doğrusalayrım analizi ile test edilerek performans karşılaştırması yapılmıştır.Destek vektör makineleri ile test veri kümesi üzerinde %91.46oranında yüksek bir sınıflandırma doğruluğu elde edilmiştir. Busınıflandırma doğruluğu EEG işaretinin bir denemesine ait tümörneklemelerin kullanılması durumunda elde edilen sınıflandırmadoğruluğundan %17.40 daha yüksektir. Elde edilen sonuçlar, önerilenyöntemin belirlenen öznitelik çıkarma yöntemi ve destek vektörmakinaları sınıflandırıcısıyla birlikte EEG işaretlerinden elde edilensınıflandırma doğruluğunu dikkat çekici miktarda arttırdığını vehesaplama karmaşıklığını ise azalttığını göstermiştir.
Anahtar Kelime: Improving classification accuracy of motor imagery EEG signals via effective epochs
Öz: Brain computer interfaces (BCI) are systems which make it possible to use various electronic devices using only the signals produced in the brain. In order to ensure high performance of these systems, feature methods extracted from these signals and classifier methods applied to these signals are important. With this study, we proposed a method to obtain high classification accuracy from EEG based BBA signals recorded on the motor imaginary with the extracted features in the active time segments. Features were obtained by applying the Hilbert Transform to the active time segments selected EEG signs and calculating the average of the derivatives of the signs. Features extracted from two-class motor imaginary Data Set Ia (Presented at the BCI Competition 2003 competition) were analyzed by support vector machines, k-nearest neighborhood and linear discriminant analysis. Then the performance of the classifiers was compared. A high classification accuracy of 91.12% is calculated on the test dataset with support vector machines. This classification accuracy is 17.06% higher than the classification accuracy obtained in the case of using all samples of a trial of the EEG signal. As a result, the proposed method increased the accuracy of classification in a remarkable amount and reduced computational complexity with the feature extraction methods and support vector machine classifier.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Derleme Erişim Türü: Erişime Açık
- Ma X, Huang X, Shen Y, Qin Z, Ge Y, Chen Y. “EEG based topography analysis in string recognition task”. Physica A: Statistical Mechanics and its Applications, 469, 531- 539, 2017.
- Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G, and Vaughan TM. “Brain–computer interfaces for communication and control”. Clinical Neurophysiology, 113(6), 767-791, 2002.
- Li Y, Long J, Yu T, Yu Z, Wang C, Zhang H, Guan C. “An EEG-based BCI system for 2-D cursor control by combining Mu/Beta rhythm and P300 potential”. IEEE Transactions on Biomedical Engineering, 57(10), 2495- 2505, 2010.
- Lotte F, Congedo M, Lécuyer A, Lamarche F, and Arnaldi B. “A review of classification algorithms for EEG-based brain–computer interfaces”. Journal of Neural Engineering, 4(2), 1-13, 2007.
- Kübler A, Nijboer F, Mellinger J, Vaughan TM, Pawelzik H, Schalk G and Wolpaw JR. “Patients with ALS can use sensorimotor rhythms to operate a brain-computer interface”. Neurology, 64(10), 1775-1777, 2005.
- Oh SH, Lee YR, Kim HN. “A novel EEG feature extraction method using Hjorth parameter”. International Journal of Electronics and Electrical Engineering, 2(2), 106-110, 2014.
- Jenke R, Peer A, Buss M. “Feature extraction and selection for emotion recognition from EEG”. IEEE Transactions on Affective Computing, 5(3), 327-339.
- Siuly S, Li Y. “Designing a robust feature extraction method based on optimum allocation and principal component analysis for epileptic EEG signal Classification”. Computer Methods and Programs in Biomedicine, 119(1), 29-42, 2015.
- Hsu WY, Lin CH, Hsu HJ, Chen PH, Chen IR. “Wavelet- based envelope features with automatic EOG artifact removal: Application to single-trial EEG data”. Expert Systems with Applications, 39(3), 2743-2749, 2012.
- Hsu WY. “Fuzzy Hopfield neural network clustering for single-trial motor imagery EEG Classification”. Expert Systems with Applications, 39(1), 1055-1061, 2012.
- Asensio-Cubero J, Gan JQ, Palaniappan R. “Extracting optimal tempo-spatial features using local discriminant bases and common spatial patterns for brain computer interfacing”. Biomedical Signal Processing and Control, 8(6), 772-778, 2013.
- Aydemir Ö. “Common spatial pattern based feature extraction from the best time segment of BCI data System”. Turkish Journal of Electrical Engineering and Computer Sciences, 6, 33, 2015.
- Hsu WY. “EEG-based motor imagery classification using enhanced active segment selection and adaptive classifier”. Computers in Biology and Medicine, 41(8), 633-639, 2011.
- Han R, Wei Q. “Joint selection of time and frequency segments for classifying multiclass EEG data in motor imagery based BCIs”. International Conference on in Fuzzy Systems and Knowledge Discovery, Zhangjiajie, China, 15-17 August 2015.
- Mensh B. “BCI competition 2003 Results”. http:/ida.first.fhg.de/projects/bci/competition/results (19.02.2016)
- Mensh BD, Werfel J, Seung HS. “BCI competition 2003- data set Ia: combining gamma-band power with slow cortical potentials to improve single-trial classification of electroencephalographic signals”. IEEE Transactions on Biomedical Engineering, 51(6), 1052-1056, 2004.
- Sun S, Zhang C. “Assessing features for electroencephalographic signal categorization”. IEEE International Conference on Acoustics, Speech and Signal Processing, Philadelphia, USA, 23-23 March 2005.
- Wang B, Jun L, Bai J, Peng L, Li G, Li Y. “EEG recognition based on multiple types of information by using wavelet packet transform and neural networks”. In 2005 IEEE Engineering in Medicine and Biology, Shanghai, China, 17-18 January 2006.
- Ting W, Guo-zheng Y, Bang-hua Y, Hong S. “EEG feature extraction based on wavelet packet decomposition for brain computer interface”. Measurement, 41(6), 618-625, 2008.
- Duan L, Zhong H, Miao J, Yang Z, Ma W, Zhang X. “A voting optimized strategy based on ELM for improving classification of motor imagery BCI data”. Cognitive Computation, 6(3), 477-483, 2014.
- Guo X, Zhao H, Li X, Li T, Dai M. “EEG signal analysis based on fixed-value shift compression algorithm”. In Natural Computation, Zhangjiajie, China, 15-17 August 2015.
- Kayikcioglu T, Aydemir O. “A polynomial fitting and k-NN based approach for improving classification of motor imagery BCI data”. Pattern Recognition Letters, 31(11), 1207-1215, 2010.
- Yavuz E, Aydemir Ö. “EEG tabanli beyin bilgisayar arayüzü işaretlerinin etkin zaman dilimlerinden çikarilmiş özniteliklerle siniflandirma doğruluklarinin artirilması”. XX. Biyomedikal Ulusal toplantısı, İzmir, Türkiye, 3-5 Kasım 2016.
- Hahn SL. Hilbert Transforms in Signal Processing. Boston, London, Artech House, 1996.
- Medl A, Flotzinger D, Pfurtscheller G. “Hilbert-transform based predictions of hand movements from EEG measurements”. In Engineering in Medicine and Biology Society, Paris, France, 29 October-1 November 1992.
- Lyness JN, Moler CB. “Numerical differentiation of analytic functions”. SIAM Journal on Numerical Analysis, 4(2), 202-210, 1967.
- Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D. “Support vector machine classification and validation of cancer tissue samples using microarray expression data”. Bioinformatics, 16(10), 906-914, 2000.
- Panda R, Khobragade P S, Jambhule PD, Jengthe SN, Pal PR and Gandhi TK. “Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction”. In Systems in Medicine and Biology, Kharagpur, India, 16-18 December 2010.
- Blankertz B, Muller KR, Curio G, Vaughan TM, Schalk G, Wolpaw JR, Schroder M. “The BCI competition 2003: progress and perspectives in detection and discrimination of EEG single tras”. IEEE Transactions on Biomedical Engineering, 51(6), 1044-1051, 2004.
| APA | ERGÜN E, Aydemir O (2018). Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. , 817 - 823. 10.5505/pajes.2018.93824 |
| Chicago | ERGÜN EBRU,Aydemir Onder Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. (2018): 817 - 823. 10.5505/pajes.2018.93824 |
| MLA | ERGÜN EBRU,Aydemir Onder Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. , 2018, ss.817 - 823. 10.5505/pajes.2018.93824 |
| AMA | ERGÜN E,Aydemir O Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. . 2018; 817 - 823. 10.5505/pajes.2018.93824 |
| Vancouver | ERGÜN E,Aydemir O Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. . 2018; 817 - 823. 10.5505/pajes.2018.93824 |
| IEEE | ERGÜN E,Aydemir O "Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması." , ss.817 - 823, 2018. 10.5505/pajes.2018.93824 |
| ISNAD | ERGÜN, EBRU - Aydemir, Onder. "Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması". (2018), 817-823. https://doi.org/10.5505/pajes.2018.93824 |
| APA | ERGÜN E, Aydemir O (2018). Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 817 - 823. 10.5505/pajes.2018.93824 |
| Chicago | ERGÜN EBRU,Aydemir Onder Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 24, no.5 (2018): 817 - 823. 10.5505/pajes.2018.93824 |
| MLA | ERGÜN EBRU,Aydemir Onder Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol.24, no.5, 2018, ss.817 - 823. 10.5505/pajes.2018.93824 |
| AMA | ERGÜN E,Aydemir O Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2018; 24(5): 817 - 823. 10.5505/pajes.2018.93824 |
| Vancouver | ERGÜN E,Aydemir O Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2018; 24(5): 817 - 823. 10.5505/pajes.2018.93824 |
| IEEE | ERGÜN E,Aydemir O "Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması." Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24, ss.817 - 823, 2018. 10.5505/pajes.2018.93824 |
| ISNAD | ERGÜN, EBRU - Aydemir, Onder. "Etkin epoklar ile motor hayaline dayalı EEG işaretlerinin sınıflandırma doğruluğunun artırılması". Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 24/5 (2018), 817-823. https://doi.org/10.5505/pajes.2018.93824 |
